Współpracę komercyjną traktuję selektywnie: najlepiej sprawdzają się krótkie konsultacje, audyty koncepcji oraz prototypy AI z jasno określonym celem.
Zaplecze lokalne: stacja z RTX 4000 Ada 20 GB i stacja z RTX 5090 32 GB; obie z 128 GB RAM, przydatne do testów on-premise, edge i local inference.
Konsultacje AI, uporządkowanie pomysłu, PoC/MVP, agenci, RAG, local LLM, testy on-premise/edge oraz aplikacje Python/Django wokół modeli.
Najchętniej pracuję w krótkim, konkretnym rytmie: rozmowa techniczna, szybkie rozpoznanie ryzyk, prototyp do sprawdzenia hipotezy albo małe MVP.
Pomagam uporządkować pomysły na AI, ocenić sensowność wdrożenia, dobrać architekturę i wskazać ryzyka. Najlepiej sprawdza się to przy decyzjach: co automatyzować, gdzie użyć LLM, kiedy budować RAG, a kiedy wystarczy prostszy model lub klasyczne oprogramowanie.
Buduję małe, działające prototypy AI: agenci, RAG, narzędzia wspierające pracę, automatyzacje i integracje z procesami. Celem jest szybkie sprawdzenie hipotezy technicznej lub biznesowej, zanim projekt urośnie do pełnego wdrożenia.
Interesują mnie rozwiązania, w których model działa lokalnie albo blisko danych: Python, TensorFlow, llama.cpp, lokalne LLM, testy wydajności i ograniczenia sprzętowe. Do prototypowania wykorzystuję stacje z RTX 4000 Ada 20 GB i RTX 5090 32 GB, obie z 128 GB RAM.
Django i Python traktuję dziś głównie jako solidną warstwę aplikacyjną wokół AI: panele, API, konta, uprawnienia, kolejki, integracje i interfejsy dla modeli. To dobry wybór, gdy prototyp ma szybko stać się narzędziem używanym przez ludzi.